Zobrazeno 1 - 10
of 30
pro vyhledávání: '"Giem, Elisabeth"'
Granular-ball computing is an efficient, robust, and scalable learning method for granular computing. The basis of granular-ball computing is the granular-ball generation method. This paper proposes a method for accelerating the granular-ball generat
Externí odkaz:
http://arxiv.org/abs/2201.04343
Autor:
Xia, Shuyin, Bai, Xinyu, Wang, Guoyin, Meng, Deyu, Gao, Xinbo, Chen, Zizhong, Giem, Elisabeth
This paper present a strong data mining method based on rough set, which can realize feature selection, classification and knowledge representation at the same time. Rough set has good interpretability, and is a popular method for feature selections.
Externí odkaz:
http://arxiv.org/abs/2201.00436
Basic Linear Algebra Subprograms (BLAS) is a core library in scientific computing and machine learning. This paper presents FT-BLAS, a new implementation of BLAS routines that not only tolerates soft errors on the fly, but also provides comparable pe
Externí odkaz:
http://arxiv.org/abs/2104.00897
LRA: an accelerated rough set framework based on local redundancy of attribute for feature selection
In this paper, we propose and prove the theorem regarding the stability of attributes in a decision system. Based on the theorem, we propose the LRA framework for accelerating rough set algorithms. It is a general-purpose framework which can be appli
Externí odkaz:
http://arxiv.org/abs/2011.00215
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Xia, Shuyin, Bai, Xinyu, Wang, Guoyin, Meng, Deyu, Gao, Xinbo, Chen, Zizhong, Giem, Elisabeth
This paper present a strong data mining method based on rough set, which can realize feature selection, classification and knowledge representation at the same time. Rough set has good interpretability, and is a popular method for feature selections.
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::38eeca10e05e422ff60963ae8a11b2fd
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.